空间关联视角下广州市餐饮业空间分布特征及影响因素研究
Research on the Spatial Distribution and Influencing Factors of the Catering Industry in Guangzhou from the Perspective of Spatial Correlation
通讯作者:
收稿日期: 2023-05-25 修回日期: 2023-08-9
基金资助: |
|
Corresponding authors:
Received: 2023-05-25 Revised: 2023-08-9
Fund supported: |
|
作者简介 About authors
吴雪琴(1999— ),女,安徽合肥人,硕士生,研究方向为地理空间分析与应用。E-mail:
基于2021年广州餐饮业及相关服务业POI大数据,采用HDBSCAN聚类、协同区位熵、空间杜宾误差等方法分析了广州餐饮业整体及细分业态的空间分布特征、影响因素及其空间溢出效应,重点探索了不同密度、不同业态餐饮业与周边服务业的整体与局部空间关联特征。结果表明: ①高密度区域餐饮业多呈中心集聚分布特征,低密度区则为中心集聚、四周辐射的特征,餐馆的分布特征与人群属性等密切相关; ②不同餐饮密度区域餐饮业与其周边服务业的空间关联情况存在差异,高餐饮密度区域空间关联性最强,中餐饮密度区域空间关联性最弱; ③不同业态餐饮业受周边服务业影响的差异较大,整体上按空间关联强度由强到弱依次为快餐厅、正餐餐厅、小吃店、冷饮店,局部空间差异特征相似但正餐餐厅的空间差异对比最明显; ④基于街镇尺度的空间杜宾误差模型估计结果显示,交通设施服务、购物服务与人口规模因素对于当地餐饮业POI数量的直接影响最大,空间溢出效应最明显。快餐厅的空间分布受人口规模与周边服务业的影响较显著而其他业态的餐饮业则容易受交通设施与购物服务因素影响。总的来说,本研究从空间关联角度出发,深化了传统经济与城市地理理论在微观空间关联方面的研究,对于之后的商业地理相关研究以及大城市餐饮业空间格局的优化调整具有参考意义。
关键词:
Based on the Point of Interest (POI) big data of the catering industry and related service industries in Guangzhou in 2021, this study analyzes the spatial distribution characteristics, influencing factors, and the spatial spillover effects of the overall and subdivided catering industry in Guangzhou based on the methods of HDBSCAN clustering, Collaborative Location Quotient, and Spatial Durbin Error Model. The study mainly explores the overall and local spatial relationships between the catering industry and surrounding service industries. The results show that: 1) Different catering density areas show variations in the spatial distribution of the catering industry in Guangzhou. The catering industry in high-density areas is characterized by a muti-central agglomeration pattern, while the catering industry in low-density areas is characterized by central agglomeration with surrounding radiation. The local distribution of restaurants are related to population features, such as population density, population education level, and so on; 2) There are variations in the spatial correlation between the catering industry and its surrounding service industries across different catering density areas. Areas with high catering density have the strongest spatial correlation, while areas with moderate catering density have the weakest spatial correlation; 3) the influence of surrounding service industries on different types of catering industry also varies. In general, the spatial correlation strength from strong to weak is as follows: fast restaurants, dinner restaurants, snack bars, and cold beverage shops. The local spatial differences are similar but the spatial difference of dining restaurants is the most obvious; 4) The estimation results of the Spatial Durbin Error Model at the street-town scale show that transportation facilities services, shopping services, and population size have the most direct impact on the POI number of local catering industries, with obvious spatial spillover effects. Both the population size and surrounding service industries are the main factors that influence the spatial distribution of fast food restaurants, while dinner restaurants, snack bars, beverage shops, and other catering industries are easily affected by transportation facilities and shopping services. In general, from the perspective of spatial correlation, this study deepens the research on the location theory of service industries. It also provides references for the study of commercial geography and the optimization and adjustment of the spatial pattern of the catering industry in big cities.
Keywords:
本文引用格式
吴雪琴, 胡伟平, 巫细波.
WU Xueqin, HU Weiping, WU Xibo.
1 引言
近年来,大数据以其易于获取、更新快、数据量大等优点受到国内外学者的广泛关注,已有众多学者结合大数据技术开展了餐饮空间相关研究。从研究尺度与内容上来说,大多数学者立足城市产业发展,从宏观与中观层面出发聚焦城市餐饮业的空间格局[13]、空间差异[14]与空间平衡[15]等问题,讨论经济水平、城市空间格局和交通[16]、人口[17]、产业结构与旅游活力[15]等各类因素对餐饮市场的影响。少部分学者从微观层面出发,分析空间吸引与相关角度下餐饮业的空间集聚与演变等问题,并进一步讨论了区位因素对餐饮业的影响[18⇓-20]。在研究区域方面,较多的学者倾向于结合大数据分析上海[10]、广州[21]、南京、北京等典型大城市的中心城区餐饮业空间分布、演化特征及其影响因素。徐晓宇等[17]结合大众点评餐馆数据与CFSFDP聚类算法分析了北京市餐饮业的内在集聚特征与影响因素。曾璇等[20]基于多期餐饮业POI数据分析了广州市餐饮业演变特征及其与周边公交站、写字楼、园区、地价等因素的相关问题。Tang等[18]基于大众点评数据从空间吸引的视角出发,分析了南京市餐饮业受住宅区影响的空间演化特征及其影响因素。从研究方法上来说,大部分的学者结合大数据与空间自相关、空间计量模型等方法从计量与空间相关性的角度研究讨论餐饮业空间格局的影响,不能很好的分析餐饮业影响的空间因素及其差异。总的来说,缺少从其他研究视角出发使用新的研究方法考虑餐饮业空间影响问题的研究。
总的来说,目前关于餐饮业的空间分布与影响方面的研究成果较为丰富,但仍存在一定的不足,主要包括以下两点: ① 当前研究尺度偏向中观和宏观方面,研究视角上多从空间聚类与空间相关的角度出发,较少从服务业区位与空间关联的角度考虑餐饮业的微观分布与影响因素问题; ② 有关研究方法上偏向从空间相关的角度出发,对于餐饮业的空间因素及其关联特征、微观差异等问题的考虑较少。本研究主要从空间关联的角度出发讨论广州市餐饮业的微观分布特征与及其影响因素,尝试利用协同区位熵方法分析服务业区位因素对于不同业态与密度餐饮业的影响情况,弥补了现有研究对餐饮业的空间依赖与关联问题考虑的不足,深化了服务业区位理论在产业空间关联方面的研究,为商业地理研究与大城市餐饮业空间格局的优化调整提供相关参考。
2 研究设计
2.1 数据来源
根据2017年国家统计局发布的GB/T 4754—2017《国民经济行业分类》[22]文件中关于餐饮业的说明将高德地图上获取的广州市2021年3月的16.78万条餐饮业POI数据划分为正餐餐厅、快餐厅、小吃店与饮料及冷饮店四大类。基于统计局2019年印发的《生活性服务业统计分类(2019)》[23]文件,选取高德地图的2021年3月广州市交通设施服务、购物服务、医疗服务、教育服务、风景名胜与商务住宅六大类服务业POI数据共17.07万条,用以分析餐饮业与这些要素的空间关联特征及影响情况。其中,POI数据的采集处理流程包括数据爬取(由于高德地图服务有反爬虫机制,爬取POI数据时间存在时间跨度)、将不同时间点采集数据汇总、导入PostgreSQL数据库、在数据库中采用SQL语言清洗(如部分POI数据重要属性缺失、类型字段存在多值现象等)、坐标变换、基于QGIS平台进行空间核对(如查看POI数据是否在研究区范围内等),在此基础上根据需要进行POI数据查询、制图、空间分析等,具体流程见图1所示。经过查重、信息补全与分类后的POI点数量具体情况见表1所示。
图1
表1 2021年POI数据类型及数量
Tab. 1
POI类型 | 类别细分 | 数量/万条 | |
---|---|---|---|
餐饮业 | 正餐服务 | 地方菜、火锅、酒楼等 | 8.95 |
快餐服务 | 中式快餐店、肯德基、麦当劳等 | 1.61 | |
小吃服务 | 面点、粉类、炸串、甜品等 | 4.43 | |
饮料及冷饮服务 | 奶茶店、凉茶店、茶饮店等 | 1.79 | |
周边服务业 | 购物服务 | 便利店、超级市场、体育用品店等 | 8.08 |
商务住宅 | 写字楼、产业园区等 | 1.33 | |
教育服务 | 中学、大学、职业学校等 | 0.34 | |
风景名胜 | 观景点、海滩、纪念馆等 | 0.39 | |
交通设施服务 | 公交车站、地铁站、停车场等 | 6.27 | |
医疗保健服务 | 诊所、专科医院、综合医院 | 0.64 |
除主要的POI数据外,研究用到的辅助数据还包括广州市街镇级七普人口数据与广州市2021年街镇尺度行政区划图。对七普数据进行处理,发现广州市176个镇或街道中光塔街道、素社街道、华林街道、逢源街道、龙津街道的人口密度最高、文化水平也最高,吕田镇、良口镇、梯面镇、正果镇、派潭镇的人口密度与文化水平最差。广州市2021年街镇尺度行政区划图通过天地图官网发布的最新版2021年地图数据矢量化得到,为分析广州市不同餐饮密度区域餐饮业的分布与影响情况,这里对餐饮业POI数据进行核密度分析后按自然点间断法重分为三类,将研究区按每平方千米点密度划分为 0~44:低密度聚集区、45~167:中密度聚集区与168~507:高密度聚集区,见图2所示。
图2
图2
广州市餐饮业核密度分区
Fig. 2
Division of kernel density for catering industry in Guangzhou
2.2 模型方法
2.2.1 技术路线
本研究主要包括三部分,分别是研究数据的预处理部分、广州市餐饮业的空间分布及其与周边服务业的关联部分以及最后的广州市餐饮业影响因素分析部分,具体的技术路线图见图3所示。
图3
2.2.2 空间分析方法
(1)HDBSCAN聚类
HDBSCAN聚类是在DBSCAN聚类基础上增加了层次聚类及概率的思想,根据最小聚类点数确定相互可达距离再构建最小生成树与聚类的层次结构从而实现不同密度数据的聚类,在一定程度上优于DBSCAN、K-Means等算法且表现出更好的稳健性。本研究利用HDBSCAN聚类工具对餐饮业POI数据进行聚类分析,总结广州市餐饮业的空间集聚与分布特征。
式中:
(2)协同区位熵分析
协同区位熵概念最早由Leslie[27]和Kronenfeld[28]提出,后有学者加入地理加权的思想提出局部区位熵。协同区位熵能够测量2种不同类型的点要素之间的相互吸引情况,从而判断这两类要素的空间关联模式[29]。不同于传统的空间自相关方法,该方法能够衡量两个不同类型数据之间的吸引程度从而进一步判断二者在空间上的依赖与独立情况,适用于量化感兴趣要素和另一种要素的空间关联情况。目前已有学者利用该方法开展了有关犯罪[29]、行人碰撞[30]以及经济结构[31]等问题的研究,较少有研究讨论其在商业中的应用。这里用来量化餐饮业与其周边服务业的空间关联情况,进一步分析二者之间的空间关联特征及差异。协同区位熵包括全局协同区位熵与局部协同区位熵。
全局协同区位熵(GCLQ)利用全局协同区位熵度量数据集中所有类别的空间关联,全局协同区位熵具体公式如下[27]:
式中:
式中:
式中:
式中:
目前的带宽距离主要通过实际测量获取,另一种则是“自适应带宽”,主要利用不同的距离等级来搜索周边的邻居,Wang等[32]开展的关于犯罪类型方面的研究结果中表明基于这种自适应带宽的方法能够使结果更加可靠,本文基于五阶、十阶与二十五阶最近邻法划分不同的带宽等级。
2.2.3 影响因素分析模型
(1)空间杜宾误差模型
表2 基于Queen邻接矩阵的因变量Moran's I指数
Tab. 2
指标 | Moran's I | 标准差 | Z值 | P值 |
---|---|---|---|---|
所有餐饮业POI数量 | 0.133 | 0.047 | 2.918 | 0.004 |
基于熵权法的4种餐饮业POI数量之和 | 0.134 | 0.047 | 2.944 | 0.003 |
快餐厅POI数量 | 0.169 | 0.048 | 3.643 | 0.000 |
饮料冷饮POI数量 | 0.159 | 0.048 | 0.871 | 0.002 |
小吃POI数量 | 0.166 | 0.047 | 3.607 | 0.000 |
正餐餐厅POI数量 | 0.124 | 0.047 | 2.737 | 0.006 |
式中:
(2)变量选择与描述
表3 变量及其统计描述
Tab. 3
变量 | 单位 | 样本数/个 | 均值 | 标准差 | 最小值 | 最大值 | 说明 | |
---|---|---|---|---|---|---|---|---|
因变量Yi | Yall | 十个 | 176 | 95.34 | 84.99 | 3.70 | 552.90 | 4种餐饮业POI数量之和 |
Yewall | 十个 | 176 | 24.60 | 22.00 | 0.96 | 143.24 | 基于熵权法的4种餐饮业POI数量之和 | |
快餐厅POI数量Y1 | 十个 | 176 | 9.12 | 7.79 | 0.20 | 47.60 | 高德地图POI中类代码为:0503 | |
饮料冷饮POI数量Y2 | 十个 | 176 | 10.17 | 9.00 | 0.00 | 53.20 | POI中类代码为:0505、0506、0507 | |
小吃POI数量Y3 | 十个 | 176 | 25.19 | 23.93 | 0.50 | 154.60 | POI中类代码为:0508、0509 | |
正餐餐厅POI数量Y4 | 十个 | 176 | 50.85 | 46.07 | 2.40 | 303.00 | POI中类代码为:0501、1001、1002 | |
自变量Xi | 风景名胜X1 | 十个 | 176 | 2.23 | 2.36 | 0.00 | 13.20 | POI中类代码为:1102 |
购物服务X2 | 十个 | 176 | 45.87 | 47.34 | 1.60 | 359.50 | POI中类代码为:0601、0602、0603、0609 | |
交通设施X3 | 十个 | 176 | 35.61 | 28.03 | 0.70 | 185.50 | POI中类代码为:1505、1507、1508、1509 | |
教育服务X4 | 十个 | 176 | 1.94 | 3.88 | 0.00 | 34.70 | POI中类代码为:1402 | |
医疗服务X5 | 十个 | 176 | 3.66 | 3.03 | 0.10 | 21.10 | POI中类代码为:0901、0902、0903 | |
商务住宅X6 | 十个 | 176 | 7.55 | 7.71 | 0.00 | 55.10 | POI中类代码为:1201 | |
区位X7 | - | 176 | 2.22 | 0.841 | 1.00 | 3.00 | 将广州176个街镇分成中心城区(包括越秀、天河、海珠、荔湾)、近郊区(包括黄埔、白云、番禺)及远郊区(包括从化、增城、花都、南沙)三类,分别赋值3、2、1 | |
人口规模X8 | 万人 | 176 | 10.61 | 6.979 | 0.320 | 39.73 | 基于广州市2020年第七次人口普查数据 |
3 广州餐饮业的空间分布与及其与周边服务业的关联
3.1 餐饮业空间集聚特征
基于HDBSCAN算法对2021年广州市餐饮业POI数据进行聚类分析,结合七普人口数据与聚类分析结果分析广州市各街镇餐饮业发展空间格局的特征与差异。考虑到广州作为特大型城市,其餐饮业POI数据样本量较大,经过多次尝试后这里将餐饮业POI数据的最小聚类参数设置为1 060,即HDBSCAN聚类结果中的每一类别中至少包括1 060家餐馆。从图4的2021年广州市餐饮业HDBSCAN聚类结果中可以看出,广州市餐饮业POI数据分为24类。-1类代表噪声点,正餐餐厅在除噪声以外的所有类别中均占据较大比重。对比图1的广州市餐饮业核密度分区图与图4的聚类分析结果可以发现,1到3类为低密度聚集区域,7、10、12类为介于高密度与中密度之间的餐饮聚集区域,15到23类为高密度聚集区域,其他则为中密度聚集区域。
图4
图4
2021年广州市餐饮业HDBSCAN聚类分析
Fig. 4
The diagram of HDBSCAN cluster analysis for catering industry in Guangzhou in 2021
高密度区域餐饮业呈现多中心集聚的特征,主要分布在鹤龙、天河南、华林等人口密度极高且学历水平较好的街道,符合此种特征的类别主要是17、20到23类等。其中,正餐和快餐业发展普遍较好,周边科创园、商业街、写字楼等业态十分密集,居民消费水平极高。
中密度区域的餐饮业多呈现网状分布或以商圈为中心集聚发展的特征,主要分布在人和镇、狮岭镇、新塘镇等面积较大但人口密度不高的区域,如5、6、8、11类等。此类餐饮业正餐餐厅数量较多且外围餐饮业发展一般,附近多为工厂聚集地,人口密度一般不高。
低密度区域的餐饮业多呈现单中心集聚、四周辐射分布的特征,主要分布在城郊街道、荔城街道等地附近,主要为1到3类。餐馆周边购物中心与交通站点分布较少,部分区域的高等院校、工厂、工业园区等分布密集,人口密度极低。
总的来说,正餐餐厅在不同密度区域始终占据主要的餐饮市场,而餐饮密度的高低与人口聚集水平和学历高低等相对应,说明餐饮业的分布与人口属性有一定的关联。此外,周边服务业态的聚集情况会导致餐馆分布产生不同的空间特征。工厂附近的餐馆多以正餐类和小吃类为主且餐馆分布稀疏,比如在鱼珠街道与云岗街道附近;高等院校聚集区域附近餐饮密度极高且种类较为丰富,比如在石牌商圈等地;附近交通发达且商圈与科技园区较多的区域餐饮密度普遍较高,且正餐与快餐类的发展较好,比如在越秀的华林、逢源等街道附近。以上结果表明广州餐饮业受周边服务业区位因素影响明显,为深入探讨广州市餐饮格局受周边各类服务业的空间影响情况,进一步利用协同区位熵方法分析餐饮业与不同服务业态的空间关联特征并利用空间杜宾误差模型进一步分析影响广州市餐馆分布的空间因素。
3.2 餐饮业与周边服务业的空间关联特征分析
为弥补现有传统理论对微观层面餐饮业的空间关联问题考虑的不足,本研究基于最近邻方法计算不同密度区域以及餐饮业细分业态与交通设施服务、购物服务、医疗服务、教育服务、风景名胜、商务住宅的全局与局部协同区位熵。通过蒙特卡洛模拟(99次迭代)确定统计显著性分析,侧重从空间关联的角度进一步分析餐饮业发展与周边服务业的全局与局部空间关联特征。
3.2.1 不同密度区域的空间关联特征
(1)全局关联特征
表4 不同餐饮密度区域餐饮业吸引周边服务业的全局区位熵
Tab. 4
餐饮密度 | 商务住宅 | 教育服务 | 购物服务 | 医疗服务 | 交通设施服务 | 风景名胜 |
---|---|---|---|---|---|---|
高密度 | 0.686 1 | 0.591 6 | 0.788 8 | 0.631 1 | 0.591 6 | 0.506 8 |
中密度 | 0.627 2 | 0.411 4 | 0.805 8 | 0.715 7 | 0.592 4 | 0.469 9 |
低密度 | 0.558 9 | 0.633 9 | 0.847 6 | 0.737 5 | 0.574 1 | 0.465 1 |
注:计算结果在0.01水平上显著。
表5 不同餐饮密度区域周边服务业吸引餐饮业的全局区位熵
Tab. 5
餐饮密度 | 商务住宅 | 教育服务 | 购物服务 | 医疗服务 | 交通设施服务 | 风景名胜 |
---|---|---|---|---|---|---|
高密度 | 0.829 0 | 0.730 8 | 0.849 4 | 0.710 5 | 0.730 8 | 0.699 8 |
中密度 | 0.822 3 | 0.621 9 | 0.889 2 | 0.823 4 | 0.747 9 | 0.723 2 |
低密度 | 0.807 7 | 0.904 8 | 0.917 0 | 0.888 3 | 0.750 8 | 0.680 4 |
注:计算结果在0.01水平上显著。
(2)局部关联特征
基于全局共置结果选取自适应带宽为十阶的局部协同区位熵结果,对比不同餐饮密度区域局部区位熵值的结果差异,进一步分析影响餐饮业发展的空间关联因素。将局部协同区位熵值划分为“0≤LCLQ≤0.5”、“0.6 ≤LCLQ≤1.0”、“LCLQ>1.0” 3个等级,分别表示基本无关联、空间关联性一般、空间关联程度强,见图5所示。
图5
图5
不同密度区域餐饮业被周边服务业吸引局部协同区位熵分布
Fig. 5
Distribution map of LCLQ results of catering industry in different densities attracted by surrounding service industry
从图5中可以看出,不同密度区域的餐饮业与其周边服务业空间关联的差异各有不同:
总而言之,不同餐饮密度区域的餐馆受周边服务业的影响空间差异较大。高餐饮密度区域餐饮业与周边服务业空间关联程度普遍较强且空间差异较小,中餐饮密度区域餐饮业与周边服务空间关联最弱,低餐饮密度区域餐饮业与周边服务业的空间关联差异最大。就各类服务业与餐饮业的空间关联差异来说,离中心区越远写字楼对餐馆的影响越弱;商场、停车场、地铁站等对餐馆的影响在各类服务业中最显著;学校、医院与景点则与餐馆在特定区域的空间关联性极强。
3.2.2 餐饮业细分业态的空间关联特征
分别基于五阶、十阶与二十五阶最近邻计算不同类型的餐饮业与商务住宅、交通设施服务、购物服务、医疗服务、教育服务、风景名胜的全局与局部协同区位熵,根据不同餐饮类型与周边服务业协同区位分析结果的差异进一步讨论餐饮类型不同情况下,周边服务业对其影响的空间关联差异。
(1)全局关联特征
表6 不同类型餐饮业吸引周边服务业的全局区位熵
Tab. 6
餐饮类型 | 商务住宅 | 教育服务 | 购物服务 | 医疗服务 | 交通设施服务 | 风景名胜 |
---|---|---|---|---|---|---|
正餐餐厅 | 0.652 4 | 0.452 0 | 0.806 4 | 0.716 6 | 0.623 9 | 0.493 6 |
快餐厅 | 0.699 9 | 0.522 6 | 0.896 3 | 0.762 7 | 0.754 3 | 0.512 8 |
小吃服务 | 0.564 6 | 0.407 3 | 0.828 8 | 0.668 4 | 0.582 2 | 0.410 9 |
饮料及冷饮服务 | 0.644 2 | 0.487 5 | 0.805 8 | 0.683 4 | 0.708 1 | 0.450 6 |
注:计算结果在0.01水平上显著。
表7 周边服务业吸引不同类型餐饮业的全局区位熵
Tab. 7
餐饮类型 | 正餐餐厅 | 快餐厅 | 小吃服务 | 饮料及冷饮服务 |
---|---|---|---|---|
商务住宅 | 0.795 3 | 0.753 8 | 0.735 4 | 0.729 3 |
教育服务 | 0.614 7 | 0.605 7 | 0.588 7 | 0.588 4 |
购物服务 | 0.863 8 | 0.928 7 | 0.922 3 | 0.844 5 |
医疗服务 | 0.777 0 | 0.775 4 | 0.765 5 | 0.744 0 |
交通设施服务 | 0.743 8 | 0.785 1 | 0.700 4 | 0.779 9 |
风景名胜 | 0.668 2 | 0.592 5 | 0.606 5 | 0.570 3 |
注:计算结果在0.01水平上显著。
(2)局部关联特征
分析不同餐饮业态与周边服务业的局部协同区位分析结果可以发现,不同餐饮类型发展的差异同样受周边写字楼、学校、超级市场、综合医院与车站等的影响。
图6为正餐餐厅、各类小吃店、快餐厅、饮品店与周边服务业的局部区位熵结果分布图。对比不同服务业态与各类餐厅的全局与局部协同区位熵结果可以发现:
图6
图6
周边服务业吸引不同业态餐饮业的局部协同区位熵分布
Fig. 6
Distribution map of the LCLQ results of different forms of catering industry attracted by surrounding service industry
(2)正餐餐厅的全局区位熵结果仅次于快餐厅,但局部区位熵结果的空间关联差异最明显。图6(a)中各类服务业与正餐餐厅的空间关联性均呈现“中心强、外围弱”的特征且空间差异较其他类别最为明显,说明正餐市场主要受城市的服务业中心影响,外围区域服务业尤其是教育服务与风景名胜类对于正餐市场的影响较小。
(4)饮品店的全局结果最差,但其局部区位熵空间差异特征与其他业态相似。图6(d)的结果表明尽管饮品店的全局结果最差,但容易受周边人流量大且人口消费水平较高的服务业影响。
4 广州餐饮业影响因素分析
4.1 空间杜宾误差模型结果分析
表8 解释变量共线性检验
Tab. 8
变量 | 风景名胜X1 | 购物服务X2 | 交通设施X3 | 教育服务X4 | 医疗服务X5 | 商务住宅X6 | 区位X7 | 人口规模X8 |
---|---|---|---|---|---|---|---|---|
VIF | 1.46 | 7.73 | 5.51 | 1.96 | 3.82 | 4.22 | 1.4 | 4.36 |
表9 空间杜宾误差模型估计结果
Tab. 9
指标 | 全类型 | 细分业态 | |||||
---|---|---|---|---|---|---|---|
Yall | Yewall | Y1 | Y2 | Y3 | Y4 | ||
lnX1 | -0.015 | -0.008 | 0.025 | -0.027 | -0.027 | -0.000 | |
(-0.56) | (-0.33) | (0.82) | (-0.56) | (-0.99) | (-0.01) | ||
lnX2 | 0.565*** | 0.524*** | 0.549*** | 0.230* | 0.616*** | 0.636*** | |
(8.50) | (8.29) | (6.95) | (1.89) | (8.74) | (9.92) | ||
lnX3 | 0.353*** | 0.282*** | 0.069 | 0.533*** | 0.078 | 0.351*** | |
(5.68) | (4.91) | (0.93) | (4.77) | (1.15) | (6.05) | ||
lnX4 | 0.038 | 0.050 | 0.142*** | 0.074 | 0.071** | 0.027 | |
(1.17) | (1.56) | (3.60) | (1.23) | (2.06) | (0.85) | ||
lnX5 | -0.027 | 0.012 | -0.066 | 0.130 | -0.017 | 0.027 | |
(-0.49) | (0.23) | (-1.00) | (1.29) | (-0.29) | (0.51) | ||
lnX6 | -0.040 | -0.003 | 0.155*** | 0.054 | 0.070 | -0.089** | |
(-0.94) | (-0.06) | (3.08) | (0.70) | (1.55) | (-2.20) | ||
X7 | 0.032 | 0.043 | 0.001 | 0.043 | 0.072* | 0.024 | |
(0.97) | (1.55) | (0.04) | (0.78) | (1.81) | (0.84) | ||
lnX8 | 0.190*** | 0.183*** | 0.135 | 0.154 | 0.360*** | 0.048 | |
(2.72) | (2.67) | (1.59) | (1.18) | (4.83) | (0.69) | ||
_cons | 0.744*** | -0.321** | -0.688*** | -1.257*** | -0.542*** | 0.226 | |
(4.39) | (-2.22) | (-3.65) | (-4.31) | (-2.85) | (1.52) | ||
空间滞后W: | |||||||
lnX1 | 0.079 | 0.031 | -0.008 | -0.043 | 0.048 | 0.037 | |
(1.37) | (0.60) | (-0.11) | (-0.41) | (0.71) | (0.70) | ||
lnX2 | -0.585*** | -0.492*** | -0.411** | 0.107 | -0.422** | -0.700*** | |
(-3.07) | (-3.35) | (-2.38) | (0.41) | (-2.00) | (-4.33) | ||
lnX3 | -0.521*** | -0.281*** | 0.135 | -0.345* | -0.071 | -0.485*** | |
(-3.98) | (-3.06) | (1.13) | (-1.66) | (-0.60) | (-4.94) | ||
lnX4 | 0.011 | -0.062 | -0.088 | -0.094 | -0.046 | -0.014 | |
(0.16) | (-0.96) | (-0.97) | (-0.74) | (-0.55) | (-0.22) | ||
lnX5 | 0.095 | -0.047 | -0.197 | -0.342* | -0.079 | 0.004 | |
(0.86) | (-0.47) | (-1.56) | (-1.74) | (-0.63) | (0.04) | ||
lnX6 | 0.173** | -0.026 | -0.164 | -0.211 | -0.048 | 0.162** | |
(2.43) | (-0.36) | (-1.58) | (-1.56) | (-0.49) | (2.39) | ||
lnX8 | -0.076 | -0.265* | -0.202 | -0.320 | -0.486*** | -0.040 | |
(-0.49) | (-1.76) | (-1.15) | (-1.23) | (-2.61) | (-0.28) | ||
Spatial rho | 0.818*** | 1.122*** | 0.964*** | 1.113*** | 0.993*** | 1.055*** | |
(4.24) | (6.24) | (5.94) | (5.11) | (4.63) | (6.31) | ||
Spatial lamda | -0.598** | -0.876*** | -0.746*** | -0.835*** | -0.307 | -0.800*** | |
(-2.04) | (-3.10) | (-2.76) | (-2.91) | (-0.98) | (-3.05) | ||
N | 176 | 176 | 176 | 176 | 176 | 176 | |
Wald test of spatial terms | 38.29*** | 70.75*** | 62.70*** | 37.88*** | 39.78*** | 90.46*** |
注:*p<0.1; **p<0.05; ***p<0.01,括号内数据为对应系数的z值; Spatial rho为空间自回归系数; Spatial lamda为误差项的空间自回归系数。
总的来说,购物服务X2、人口数X8、交通设施X3、商务住宅X6 4个因素对广州街镇层面的餐饮业空间集聚有显著的正向影响,而其他因素对不同餐饮业态的影响有明显差异。快餐厅的空间集聚普遍受人口规模与周边各类服务业POI分布情况影响较显著,正餐餐厅、快餐厅与饮品店受各类因素影响情况则各有差异。购物服务与交通设施服务POI数量对于4类业态的影响相对较强,说明购物中心、商场与停车场、车站越多的区域各类餐厅的集聚效应就越明显。
4.2 空间溢出效应分析
表10 空间溢出效应分解
Tab. 10
变量 | 总体效应 | 直接效应 | 间接效应 |
---|---|---|---|
lnX1 | 0.217 | -0.000 5 | 0.218 |
lnX2 | 0.135 | 0.538 0 | -0.403 |
lnX3 | -0.454 | 0.303 0 | -0.757 |
lnX4 | 0.186 | 0.047 0 | 0.138 |
lnX5 | 0.226 | -0.011 0 | 0.237 |
lnX6 | 0.449 | -0.010 0 | 0.458 |
X7 | 0.122 | 0.037 0 | 0.085 |
lnX8 | 0.467 | 0.207 0 | 0.260 |
表10中的系数结果表明购物服务、交通设施服务、商务住宅与人口规模因素对于餐饮业数量的直接或间接影响最明显,具体分析如下:
购物服务因素。变量lnX2的直接效应系数为0.538,表明购物服务POI数量增加1%,本街镇餐饮服务POI数量增加0.538%,而间接效应系数为-0.403,表明会抑制周边街镇餐饮服务POI数量下降0.403%,总体结果表现为促进作用。一方面广州市商业发达,商场的数量与种类多且密度大,商业集聚区域对于餐饮业发展的直接推动作用也就越大。另一方面,类似体育西与北京路等典型的商业集聚区域周边人流量较大,对于周边街镇餐饮业发展的促进作用同样较强。
交通设施服务因素。变量lnX3的直接效应系数为0.303而间接效应系数为-0.757,说明交通设施服务POI数量增加1%,促进本街镇餐饮服务POI数量增加0.303%,而抑制周边街镇餐饮业服务POI数量下降0.757%,总体表现为抑制效应。一方面,交通设施密度越高越容易吸引客流量,更有利于当地街镇餐饮业的发展,因此交通站点聚集区域往往也是餐馆集聚区域,形成促进效应;另一方面,由于广州市交通发达,公交车站、地铁站、班车站、停车场等交通站点需要占用大量建设用地,与数量更为庞大的餐饮业在建设用地方面具有竞争关系,进而对餐饮业态形成挤出效应,最终体现为负向空间溢出效应。
人口规模因素。变量lnX8的直接与间接效应系数分别为0.207与0.260,即人口规模每增长1%会促进本地与周边街镇餐馆数量分别增加0.207%、0.260%,人口规模因素总体表现为显著的正向空间溢出效应。首先,无论是总体还是细分业态的模型估计结果都表明了人口规模因素对于区域餐饮业发展起到显著的推动作用。其次,人口集聚区域往往也是城市交通与商业发达的区域,区域人口消费水平与消费潜力较大,能够在很大程度上推动区域餐饮业的发展。因此,人口规模越大,其正向空间溢出效应越明显。
5 结论与讨论
5.1 讨论
外卖、餐饮直播等餐饮新业态的兴起对大城市餐饮业空间格局产生深远影响。与近年部分学者关注餐饮业与公交站、写字楼等的空间相关问题不同[20],本研究虽然同样讨论公交站、写字楼等对餐饮业的空间影响,但更注重从空间关联的角度讨论各类服务业对于餐饮业发展的促进作用,进一步丰富和补充了传统经济地理与城市地理理论在微观层面和空间关联角度上的研究,为商业地理与城市发展等方面的研究提供新的思路。另一方面,通过对比广州市餐饮业与周边服务业微观层面的空间关联分析结果可以发现,产业的集群效应或区域特定产业的功能结构同样会影响餐饮业的经济发展,这是目前有关餐饮业的研究中较少考虑的问题。受限于文章篇幅与数据可得性,本研究主要从静态的角度考虑服务业对于餐饮发展的影响,并未深入讨论城市产业功能结构与功能区对于餐饮业分布的影响。在今后的研究中会进一步结合多时相的POI大数据,动态的分析餐饮业的空间演变特征,并深入讨论产业结构的变化与城市功能区域对于餐饮业发展的空间影响。
5.2 结论
本文尝试采用协同区位熵方法重点分析了2021年广州市餐饮业与周边服务业的空间关联特征。相对于一般点要素空间分析方法,协同区位熵分析适用于判断两类点状数据在空间上的协同聚集与分散情况,其中全局协同区位熵主要通过衡量空间吸引程度来判断点要素的总体空间关联程度,而局部协同区位熵能进一步体现出空间关联特征的异质性,更有利于分析餐饮业影响的空间因素及其差异问题。此外,基于2021年广州市餐饮业及相关服务业POI数据,本研究还利用HDBSCAN密度聚类空间杜宾误差模型分析了2021年广州市餐饮业空间分布特征、影响因素及其空间溢出效应。研究结果表明:
(1)不同餐饮密度区域的餐馆集聚特征存在不同的差异。多数类别呈现中心集聚的特征,少部分低餐饮密度区域呈现中心集聚、外围辐射的特征。此外,广州市餐饮的分布与集聚受到人口密度和学历等因素的影响,正餐餐厅在各个区的餐饮市场均占据相当比例;
(2)餐饮密度不同,餐饮业与其周边服务业的空间关联性存在较大差异。高餐饮密度区域餐饮业与周边服务业的空间关联性普遍较强,中餐饮密度区域则普遍极弱,低餐饮密度区域餐饮业与周边服务业的空间关联差异最大;
(3)快餐业的发展整体上受各类服务业影响最大,饮料类餐饮业最小。4种业态餐饮业与服务业的局部空间关联特征相似,仅外围区域相差较大,正餐餐厅的局部空间关联差异最明显;
(4)SDEM模型估计结果表明车站、商场与人口数量的增加对于当地餐饮业POI数量的影响最大,空间溢出效应最明显。快餐厅受各类服务业影响较其他类型餐厅更显著,小吃类、正餐类与饮料类餐饮业发展则主要受交通与购物因素影响。
参考文献
广州第三产业发展变化及空间分布特征分析
[J].
Analysis on characteristics of development and spatial distribution of the tertiary sector in Guangzhou
[J].
转型期广州市服务业区位演变及布局特征
[J].
Research on the spatial change and location characteristics of service industries in Guangzhou during the transition period
[J].DOI:10.2307/142539 URL [本文引用: 1]
1990年代以来我国沿海中心城市服务业特征与趋势比较研究——以北京、上海与广州为例
[J].
Comparison on the structural characters and its developing tendency of service industries for the central cities in the coastal region in China in 1990s—taking Beijing, Shanghai and Guangzhou as case study
[J].
中国服务业空间差异的影响因素与空间分异特征
[J].
Analysis on influenting factors and characteristics of spatial disparity in Chinese service industry
[J].
基于实体店比较的长春市外卖O2O餐饮业空间特征及成因
[J].
The spatial distribution and formation of takeaway O2O catering industry based on entity restaurants comparison in Changchun
[J].
Central places in southern Germany
[M].
20世纪区位理论的五个发展阶段及其评述
[J].
Survey and evaluation of location theory in 20 century by five development stage
[J].
服务业区位因素体系的研究
[J].
The research of service location factors system
[J].
Spatio-temporal agglomeration and morphological causes of Shanghai catering clusters
[J].
Restaurant location in Hamilton, New Zealand: Clustering patterns from 1996 to 2008
[J].
From central place to central flow theory: An exploration of urban catering
[J].
中国地级城市餐饮业分布格局及影响因素——基于“大众点评网”数据的实证研究
[J].
Spatial distribution pattern and influencing factors of catering industry in prefecture level and above cities in China: An empirical study based on the dianping.com data
[J].
江苏省商业网点的空间分布特征及其区域差异因素
[J].
DOI:10.3724/SP.J.1047.2017.01060
[本文引用: 1]
以江苏省商业网点POI(兴趣点)数据为基础,结合经济社会统计数据,分别对批发零售业、住宿业和餐饮业三种业态类型,运用标准差椭圆、核密度、最近邻指数以及多元线性回归等分析方法,探讨不同发展水平、发展阶段城市商业网点的空间分布模式和业态结构特征,并揭示其区域差异的影响因素。研究发现:江苏省商业网点总体上具有西北走向分布态势,呈现相对集中分布格局,表现出在长江以南地区集聚和在地级城市中心城区密集布局的特征;不同业态类型网点空间分布具有差异,批发零售业网点的空间集聚特征最显著,住宿业网点的分布相对均衡;各市商业业态结构呈现出批发零售业和餐饮业网点数量为主,以及批发零售业销售额独大的特征;地区生产总值、人口规模、居民人均可支配收入、城市综合可达性以及第三次产业产值比重是影响商业网点分布的重要因素,不同因素对商业网点分布的影响程度差异性较大,居民消费能力和地区发展水平是江苏省商业网点分布差异的主要驱动力。
Study on the distribution characteristics and regional difference of commercial network in Jiangsu Province
[J].
Spatial imbalance of Chinese seafood restaurants and its relationship with socioeconomic factors
[J].
城市餐饮业的空间格局及影响因素分析——以厦门市为例
[J].以厦门市餐饮业普查数据为基础,结合实地考察,运用ArcGIS空间分析,以街道为研究单位分析了厦门市餐饮业的空间格局.结果发现,厦门市的餐饮业分布岛内岛外差异显著,以厦门岛为核心呈现圈层式发展,岛内从城市中心向外递减,各街道内餐饮业主要以组团式集聚和带状分布相结合的方式出现.综合考虑区域经济水平、人口密度、交通便捷程度、城市空间格局等与餐饮业分布有关的影响因素,运用SPSS进行相关性分析,结果表明:餐饮业的空间分布与城镇住宅面积、商业服务用地关联度最高;城市的公共设施用地面积和城中村住宅面积与餐饮业的发展呈
Spatial distribution of urban catering industry and its influenced factors: A case study of Xiamen city
[J].以厦门市餐饮业普查数据为基础,结合实地考察,运用ArcGIS空间分析,以街道为研究单位分析了厦门市餐饮业的空间格局.结果发现,厦门市的餐饮业分布岛内岛外差异显著,以厦门岛为核心呈现圈层式发展,岛内从城市中心向外递减,各街道内餐饮业主要以组团式集聚和带状分布相结合的方式出现.综合考虑区域经济水平、人口密度、交通便捷程度、城市空间格局等与餐饮业分布有关的影响因素,运用SPSS进行相关性分析,结果表明:餐饮业的空间分布与城镇住宅面积、商业服务用地关联度最高;城市的公共设施用地面积和城中村住宅面积与餐饮业的发展呈
基于开源大数据的北京地区餐饮业空间分布格局
[J].
DOI:10.12082/dqxxkx.2019.180437
[本文引用: 3]
基于大数据进行城市服务设施空间格局分析已成为一种新的研究热点,而餐饮业是城市服务业的典型代表,因此通过开源大数据对城市餐饮业的空间布局进行研究具有重要的意义。本文以北京地区作为研究区,采用网络爬虫技术获取大众点评上153 895家餐饮店数据,引入基于密度的CFSFDP聚类算法从空间分布密集度和人均消费等级方面对餐饮业背后蕴含的地理聚集特征进行分析。研究发现:① 北京地区餐饮店总体呈现多中心的空间分布特征,其集聚程度以主城区为核心向外逐级递减,并明显表现出围绕重要商圈、旅游景点和住宅区进行布局以及沿交通轴线扩展的趋势;② 不同人均消费水平的餐饮店呈现等级体系特征,即高档餐馆少而集聚,中低档餐馆多而散的分布特点;③ 餐馆分布密集程度和定价表现出接近市场和消费者的特征。同时,本文综合空间集聚特征和消费水平2项指标对影响餐饮店集群空间分布格局的因素进行了分析,以期为政府规划部门进行城市商业空间布局研究提供借鉴。
Analysis on spatial distribution pattern of Beijing restaurants based on open source big data
[J].
Isolated or colocated? exploring the spatio-temporal evolution pattern and influencing factors of the attractiveness of residential areas to restaurants in the central urban area
[J].
Mining the spatial distribution pattern of the typical fast-food industry based on Point-of-Interest Data: The case study of Hangzhou, China
[J].There is a Chinese proverb which states “Where there are Shaxian Snacks, there are generally Lanzhou Ramen nearby”. This proverb reflects the characteristics of spatial clustering in the catering industry. Since the proverbs are rarely elucidated from the geospatial perspective, we aimed to explore the spatial clustering characteristics of the fast food industry from the perspective of geographical proximity and mutual attraction. Point-of-interest, OSM road network, population, and other types of data from the typical fast-food industry in Hangzhou were used as examples. The spatial pattern of the overall catering industry in Hangzhou was analyzed, while the spatial distribution of the four types of fast food selected in Hangzhou was identified and evaluated. The “core-edge” circle structure characteristics of Hangzhou’s catering industry were fitted by the inverse S function. The common location connection between the Western fast-food KFC and McDonald’s and the Chinese fast-food Lanzhou Ramen and Shaxian Snacks and the spatial aggregation were elucidated, being supported by correlation analysis. The degree of mutual attraction between the two was applied to express the spatial correlation. The analysis demonstrated that (1) the distribution of the catering industry in Hangzhou was northeast–southwest. The center of the catering industry in Hangzhou was located near the economic center of the main city rather than in the center of urban geography. (2) The four types of fast food were distributed in densely populated areas and exhibited an anti-S law, which first increased but then decreased as the distance from the center increased. Among these, the number of four typical fast foods was the highest within a distance of 4–10 km from the center. (3) It was concluded that 81.6% of KFCs had a McDonald’s nearby within 2500 m, and 68.5% of Shaxian Snacks had a Lanzhou Ramen nearby within 400 m. McDonald’s attractiveness to KFC was calculated as 0.928448. KFC’s attractiveness to McDonald’s was 0.908902. The attractiveness of the Shaxian Snacks to Lanzhou Ramen was 0.826835. The attractiveness of Lanzhou Ramen to Shaxian Snacks was 0.854509. McDonald’s was found to be dependent on KFC in the main urban area. Shaxian Snacks were strongly attributed to Lanzhou Ramen in commercial centers and streets, while Shaxian Snacks were distributed independently in the eastern Xiaoshan and Yuhang Districts. This study also helped us to optimize the spatial distribution of a typical fast-food industry, while providing case references and decision-making assistance with respect to the locations of catering industries.
广州市餐饮店分布演变特征与影响因素
[J].
Spatial and temporal evolution characteristics and influencing factors of restaurants in Guangzhou
[J].
广州市中心城区餐饮店空间分异与机制差异研究——基于传统店与外卖店的对比
[J].
DOI:10.11821/dlyj020220200
[本文引用: 1]
O2O模式(Online to Offline)使餐饮店经营模式与空间分布发生巨大变化,餐饮店空间分布现象与机制成为研究热点。本文将餐饮店分为仅提供堂食服务的传统店和同时提供堂食与餐饮配送服务的外卖店,利用核密度、双变量空间自相关、半变异函数、标准差椭圆、空间计量模型等方法,分析广州市中心城区传统店与外卖店的空间分异与机制。研究发现:① 2020年传统店主要集聚于自荔湾区多宝街道东至天河区石牌街道;外卖店呈多中心分布,以天河区天河南街道、冼村街道、海珠区江南中街道和赤岗街道为核心;二者在越秀区中部、天河区西南部、车陂街道、海珠区西北部等有多处高高集聚区。② 两种餐饮店空间分异较明显,易受随机性因子影响;外卖店较少分布在越秀区和荔湾区,整体分布范围较小,仅有很弱的空间自相关性,更多呈零散分布特征。③ 餐饮店空间分布受人口密度和餐饮店集聚的正作用;但受教育程度、路网密度、邻近高等院校、公交站、商圈等因素能提高外卖店比例,外卖店有更高店铺付租能力,更邻近地铁站和低经济密度地区,传统店则与其相反。
Spatial heterogenicity and mechanism difference of restaurant in the central urban area of Guangzhou: A comparison between traditional restaurant and take-out restaurant.
[J].
DOI:10.11821/dlyj020220200
[本文引用: 1]
O2O (Online to Offline) has greatly changed the business and spatial distribution of catering industry. Spatial distribution phenomenon and mechanism of restaurant have become a research hot topic. We divide restaurants into traditional restaurant and take-out restaurant. The former one only provides in-room service while the latter one provides both in-room and food delivery services. Guangzhou, one of the top ten gourmet cities in China, has a large catering industry scale. But few studies focus on spatial distribution change of restaurant and rapid development of take-out restaurant in Guangzhou. Using methods of kernel density, bivariate spatial autocorrelation, semi-variance function, standard deviation ellipse and spatial econometric model, we analyze the spatial differentiation and mechanism of traditional restaurant and take-out restaurant in the central urban area of Guangzhou. The results show that: (1) In 2020, traditional restaurants mainly gather from Duobao Street in Liwan District to Shipai Street in Tianhe District. Take-out restaurants are distributed in multiple centers, with Tianhenan Street, Xiancun Street, Jiangnanzhong Street and Chigang Street as cores. There are many bivariate high-high clustering areas in the middle of Yuexiu District, the southwest of Tianhe District, Chebei Street and the northwest of Haizhu District. (2) The spatial differentiation of two types of restaurant is obvious and easy to be affected by random factors. Traditional restaurant and take-out restaurant have obvious spatial heterogenicity characteristics. Compared with traditional restaurant, the kernel density of take-out restaurant is lower in Yuexiu District and Liwan District. Its overall spatial distribution range is smaller and more southeasterly. It has more obvious scattered spatial distribution characteristics, smaller spatial heterogeneity, weaker spatial autocorrelation and smaller spatial autocorrelation range. (3) The spatial distribution of restaurants is positively affected by population density and restaurant agglomeration. Higher education level, higher road density, higher proximity to universities, bus stops and business districts can increase the proportion of take-out restaurants. Take-out restaurants have higher rent paying capacity and are closer to subway stations as well as low economic density areas. However, traditional restaurants are the opposite. O2O promotes different responses of restaurant to its surrounding influencing factors and leads to the spatial heterogenicity of traditional restaurants and take-out restaurants.
《国民经济行业分类》GB/T4754-2017
[M].
Industrial classification of the national economy GB/T4754-2017
[M].
统计局关于印发《生活性服务业统计分类(2019)》的通知
[J].
Circular of the national bureau of statistics on printing and issuing the classifications of statistics of consumer services(2019)
[J].
外资主导下的汽车制造业空间分布特征及其影响因素——以广州为例
[J].
Spatial distribution evolvement characteristics and influencing factors of automobile manufacturing industry under the guidance of foreign investment: A case study of Guangzhou
[J].DOI:10.2307/142505 URL [本文引用: 1]
Density-based clustering based on hierarchical density estimates
[C]//
Hdbscan: Hierarchical density based clustering
[J].
The Colocation Quotient: A New Measure of Spatial Association Between Categorical Subsets of Points. 协同区位熵: 点集分类子集间空间关联性的新度量标准
[J].DOI:10.1111/j.1538-4632.2011.00821.x URL [本文引用: 2]
Geographically weighted colocation quotients: Specification and application
[J].
The local colocation patterns of crime and land-use features in Wuhan, China
[J].
Where are the dangerous intersections for pedestrians and cyclists: A colocation-based approach
[J].
The Economic Base of Tikrit City
[J].
Local indicator of colocation quotient with a statistical significance test: Examining spatial association of crime and facilities
[J].
/
〈 |
|
〉 |
